基于集成CART算法的TBM掘进参数与围岩等级预测

发布时间：2023-05-05 19:40

　　全断面隧道掘进机(TBM)运行过程中将会产生大量可以反映当时地质状况的数据,旨在充分利用TBM运行数据,使用基于集成CART算法的随机森林和AdaCost,实现岩体信息实时感知与掘进参数智能优化。为建立快速、准确的TBM掘进参数与围岩等级预测模型,提出了一种掘进模式识别方法,将TBM掘进循环分为空推段、上升段与稳定段;并使用随机森林模型和上升段前30 s数据,实时预测稳定掘进时掘进推力与刀盘扭矩的取值,预测精度分别达到0.90和0.87;继而使用代价敏感的AdaCost算法预测围岩等级,解决了传统机器学习算法不适用于岩体级别数据不均衡的场景,相较于随机森林模型,对于IV级和V级岩体的预测正确率分别提升了16%与50%。此外,总推进力、刀盘功率、刀盘扭矩、推进速度等TBM运行参数被证明与TBM掘进情况密切相关;刀盘转速、撑靴压力、撑靴俯仰角、推进速度和撑靴滚动角等参数被证明能更好地反映围岩状况。这些认识与成果对TBM掘进参数优化和风险预警有着重要意义,并将为建立基于数据挖掘的TBM智能决策控制平台提供参考。

【文章页数】：12 页


本文编号：3808287